人工智慧（AI），特別是深度學習（Deep Learning），是開始用於醫學影像和電子健康記錄解釋的主要技術工具之一。利用AI可以預測血壓、年齡和吸菸狀況甚至疾病風險，AI在醫學中的應用越來越廣泛，FDA甚至批准了一種基於人工智慧的裝置來檢測某些與糖尿病相關的眼部問題。本文由機器之心經授權轉載自 BioWorld （ID：ibioworld ），未經授權禁止二次轉載。
2019年1月7日，Nature 旗下頂級醫學期刊 Nature Medicine 雜誌同期刊登8篇論文，聚焦人工智慧在醫學領域的應用。BioWorld列舉並介紹了這8篇論文：
1
High-performance medicine: the convergence of human and artificial intelligence
高效醫學：人類與智慧的融合
作者：Eric J. Topol；單位：Scripps研究所
透過在所有部門中使用標記的大資料以及顯著增強的計算能力和雲端儲存，已經實現了人工智慧的使用，特別是深度學習。在醫學方面，這開始在三個層面產生影響：對於臨床醫生來說，主要是更快速、準確的影像分析；對於衛生系統來說，透過改善工作流程和減少醫療差錯；對於患者來說，使他們能夠處理自己的資料，以促進健康。
本文討論了當前的侷限性，包括偏見、隱私和安全性，以及缺乏透明度等在未來發展方向中存在的問題。隨著時間的推移，準確性、生產力和工作流程的顯著改善可能會實現，但是人工智慧的應用會改善患者與醫生之間的關係，還是惡化他們之間的關係，仍有待觀察。
論文連結：https://www.nature.com/articles/s41591-018-0300-7
2
Identifying facial phenotypes of genetic disorders using deep learning
使用深度學習識別遺傳疾病的面部表型
作者：Yaron Gurovich等；單位：FDNA公司
透過使用17000多張患者的面部影像，訓練了一款人工智慧演算法DeepGestalt，這款演算法可以高準確率識別罕見的遺傳綜合徵。
論文連結：https://www.nature.com/articles/s41591-018-0279-0
3
Predicting the early risk of chronic kidney disease in patients with diabetes using real-world data
使用現實世界資料預測糖尿病患者的慢性腎臟疾病的早期風險
作者：Wolfgang Petrich；單位：羅氏公司
診斷程式，治療建議和醫療風險分層基於專門的嚴格控制的臨床試驗。然而，存在大量現實世界的醫學資料，因此資料量的增加是以完整性，一致性和控制為代價的。逐案比較表明，基於現實世界資料的糖尿病相關慢性腎病模型的預測能力優於來自臨床研究資料的模型。
論文連結：https://www.nature.com/articles/s41591-018-0239-8
4
Screening for cardiac contractile dysfunction using an artificial intelligence–enabled electrocardiogram
使用具有人工智慧的心電圖篩查心臟收縮功能障礙
作者：Paul A. Friedman；單位：梅奧診所
無症狀的左心室功能不全（ALVD）存在於3-6％的人群中，與生活質量和壽命降低相關，並且在發現時可治療。透過來自梅奧診所的44,959名患者，研究團隊訓練了基於卷積神經網路的人工智慧來識別心室功能障礙患者，當在一組獨立的52,870名患者上測試該神經網路，靈敏度、特異性和準確度的值分別為86.3％、85.7％和85.7％。而且在沒有心室功能障礙的患者中，人工智慧篩查陽性的患者發生未來心室功能障礙的風險是陰性的4倍。
這一AI人工智慧在心電圖中的應用，既降低了成本，允許心電圖作為無症狀個體的強大篩查工具來識別無症狀的左心室功能不全（ALVD）。
論文連結：https://www.nature.com/articles/s41591-018-0240-2
5
Privacy in the age of medical big data
醫療大資料時代的隱私
作者：I. Glenn Cohen；單位：Petrie-Flom衛生法政策中心
大資料已成為醫學創新無處不在的觀察詞。特別是機器學習技術和人工智慧的快速發展已經將醫療實踐從資源分配轉變為複雜疾病的診斷。 但是，大資料帶來了巨大的風險和挑戰，其中包括關於患者隱私的重大問題。我們概述了大資料為患者隱私帶來的法律和道德挑戰。我們還討論如何最好地構思健康隱私；公平、知情和患者管理在資料收集中的重要性；資料使用中的歧視；以及如何處理資料洩露。我們透過草擬監管系統的方法可能終結這些問題。
論文連結：https://www.nature.com/articles/s41591-018-0272-7
6
Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network
採用心臟病專家級別的深度神經網路進行動態心電圖心律失常檢測和分類
作者：Awni Y. Hannun；單位：史丹佛大學
研究人員開發了一個深度神經網路（DNN），使用來自使用單導聯動態心電監護裝置的53,549名患者的91,232個單導聯心電圖對12個節律類進行分類。DNN的平均F1評分（0.837）是陽性預測值和敏感性的調和平均值，超過了心臟病學家平均值（0.780）。
這些研究結果表明，端到端的深度學習方法可以對來自單導聯心電圖的各種不同的心律失常進行分類，其具有與心臟病學家類似的高診斷效能。
論文連結：https://www.nature.com/articles/s41591-018-0268-3
7
A guide to deep learning in healthcare
醫療保健深度學習指南
作者：Andre Esteva等；單位：史丹佛大學
我們提供深度學習的醫療保健技術，集中討論計算機視覺，自然語言處理，強化學習和廣義方法的深度學習。 我們將描述這些計算技術如何影響醫學的幾個關鍵領域，並探索如何構建端到端系統。 我們對計算機視覺的討論主要集中在醫學成像上，我們描述了自然語言處理在電子健康記錄資料等領域的應用。 類似地，在機器人輔助手術的背景下討論強化學習，並且綜述了基因組學的廣義深度學習方法。
論文連結：https://www.nature.com/articles/s41591-018-0316-z
8
The practical implementation of artificial intelligence technologies in medicine
醫學中人工智慧技術的實際應用
作者：張康等；單位：廣州醫科大學第一附屬醫院
基於人工智慧（AI）的醫學技術的發展正在迅速發展，但現實世界的臨床實施尚未成為現實。 在這裡，我們回顧了圍繞在現有臨床工作流程中實施AI的一些關鍵實際問題，包括資料共享和隱私，演算法透明度，資料標準化以及跨多個平臺的互操作性，以及對患者安全的關注。
我們總結了美國目前的監管環境，並重點介紹了與世界其他地區的比較，尤其是歐洲和中國。
論文連結：https://www.nature.com/articles/s41591-018-0307-0
本文由機器之心經授權轉載自 BioWorld （ID：ibioworld ），未經授權禁止二次轉載。